【技术实现步骤摘要】
基于TD
‑
LightGBM的铁水硅含量预测方法
[0001]本专利技术涉及基于TD
‑
LightGBM的铁水硅含量预测方法,属于工业过程监控
技术介绍
[0002]高炉炼铁是世界上耗能最大的工业过程之一,其主要目的是将铁矿融化成铁水。高炉炼铁过程的关键参数之一是铁水中的硅含量,铁水硅含量是评定高炉炉况稳定性和生铁质量的重要指标。因此,准确预报铁水硅含量有助于控制高炉热状态,进而保证高炉的稳定运行。由于炉内高温高压的环境,使得硅含量的测量变得十分困难。
[0003]近年来,随着工业过程的数据信息爆炸式增长,基于数据的软测量模型越来越多地应用于预测因为恶劣的测量环境和大时间滞后等原因导致难以在线测量的质量变量。目前,数据驱动建模主要可以分为人工智能方法和多元统计分析方法。其中人工智能软测量方法是目前的研究热点,建模方法主要包含人工神经网络、支持向量机等。此类模型具有较强的非线性拟合能力,但由于计算较为复杂且缺乏可靠性依据,在实际工业软测量中应用仍然较少。多元统计分析是使用较为成熟的方法,包含主元回归、偏最小二乘回归等。在实际工业过程中已得到广泛应用。
[0004]构建软测量模型来进行工业数据的预测不仅需要筛选输入变量和样本,还需要进行模型参数训练,这使得高性能软测量模型的构建非常耗时。而当高性能软测量模型投入应用后,其预测性能又会随着过程状态特性改变、催化剂失活、原料变化和仪表漂移等因素慢慢下降。因此,软测量模型的维护对于其性能的保持是非常重要的。学者们已经 ...
【技术保护点】
【技术特征摘要】
1.一种铁水中硅含量的预测方法,其特征在于,所述方法包括:步骤1:采集炼铁高炉的历史实际运行数据,构建历史样本集和查询样本集;步骤2:获取所述历史样本集的输入数据x(1),x(2),
…
,x(t+1),输出数据y(1),y(2),
…
,y(t+1),使用LightGBM建立决策树模型,得到特征向量,其中t是历史样本集采样时刻;步骤3:对LightGBM决策树模型提取的特征向量按照各个特征的增益排序,选取前f个特征向量;步骤4:计算步骤3得到的特征向量的差分项Δx(1),Δx(2),
…
,Δx(t)和Δy(1),Δy(2),
…
,Δy(t),以及查询样本输入的差分项Δx(q
‑
1)=x(q)
‑
x(q
‑
1),q是查询样本集的采样时刻;步骤5:计算步骤4中的查询样本差分项与各历史输入样本差分项之间的欧氏距离以及相应的权重值,选择与查询样本最相关的N个历史差分项作为训练集ΔX
N
和ΔY
N
,并获得权重矩阵Ω;步骤6:构建局部加权岭回归LWRR模型,并利用步骤5中的训练集ΔX
N
、ΔY
N
和权重矩阵Ω训练所述局部加权岭回归LWRR模型;步骤7:获取高炉运行的实时数据,利用步骤6中训练好的LWRR模型得到当前时刻与前一时刻铁水中硅含量的差分项预测值步骤8:得到铁水中硅含量最终预测值其中y(q
‑
1)为上一时刻的铁水中硅含量的实际值。2.根据权利要求1所述的方法,其特征在于,所述LightGBM决策树模型根据每个特征被用于分割训练数据的次数评判该特征的重要性,利用单边梯度采样算法对数据按照梯度进行排序,保留前a%梯度较大的数据形成子集A;对于(1
‑
a)%梯度较小的数据形成的残差集A
c
,随机形成大小为b
·
|A
c
|的子集B,并计算信息增益:其中,A
l
={x(t)∈A:x
j
(t)≤d},A
r
={x(t)∈A:x
j
(t)>d},B
l
={x(t)∈B:x
j
(t)≤d},B
r
={x(t)∈B:x
j
(t)>d},g(t)为梯度,x...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。